[发明专利]一种基于移动边缘计算及区块链协同赋能的物联网场景的性能优化方法

说明书

本发明公开了一种基于移动边缘计算(MEC)以及基于委托股权证明(DPoS)共识机制的区块链技术协同赋能物联网场景下利用深度强化学习(DRL)算法动态决策区块生成策略及MEC计算卸载策略，进而实现可扩展性优化的方法，包括：一种利用基于DPoS共识机制的区块链技术在物联网场景下实现应用数据的分布式存储的方法，以此获得更高的数据存储鲁棒性及安全性；一种基于MEC技术使得物联网节点能够通过基站将计算任务策略性地卸载到MEC服务器上的边缘资源协同机制；一种基于分布式训练的深度确定性策略梯度(DDPG)算法使得物联网节点能够自适应地动态决策出最优的区块生成策略以及MEC计算卸载策略，以此联合提升整体系统的可扩展性。

技术领域

本发明涉及移动边缘计算(MEC)与区块链技术协同赋能的新兴物联网架构的性能优化，确切地说，基于环境状态观测所得信息，利用机器学习(ML)的方法实现在该场景下针对海量数据的分布式安全存储、高效处理及优良的系统可扩展性，属于无线通信技术领域。

背景技术

作为新兴信息技术的重要组成，物联网(IoT)在制造业、物流业、航空业等各个领域都引起了高度且广泛的关注。随着无线通信和传感器网络的技术进步，物联网场景中逐渐涉及到越来越多的智能对象，并且新兴的物联网架构支持通过在智能对象中捕获大量的原始数据，此外需要基于这些数据进一步做针对性的处理分析以支持网络管理决策、新型物联应用及网络数据交互等。于是，如何确保网络数据的安全存储以及高效处理成为了新一代物联网技术发展的新挑战。相比于传统网络架构下集中式的数据服务器，基于委托股权证明(DPoS)共识机制的区块链技术，由选出的代表节点作为区块生产者进行记账，具有高效、去中心化、高安全性及高鲁棒性等特征，更能保证数据的安全可靠存储和处理效率，但仅基于传统的区块链系统难以满足物联网的大量交易下所需的交易处理吞吐量，因此如何优化基于DPoS共识机制的区块链技术所赋能的物联网架构的可扩展性仍然是一项挑战。

针对在上述的区块链赋能的新兴物联网场景中，需基于大量资源受限的无线终端设备实现对海量的传感数据做预处理和数据分析，并且满足计算密集型的移动应用程序的体验质量(QoE)，于是引入了移动边缘计算(MEC)技术以满足日益增长的计算需求。MEC能够使边缘物联网节点将复杂的计算任务卸载到与基站(BS)关联的MEC服务器上，从而显著减少移动设备处理时延和功耗且提高了移动应用程序的QoE。然而，想要达到优良的计算卸载的总体效率要求MEC系统实现合理地、智能地分配无线电资源以及计算资源，以便高效地完成计算任务，因此如何确保MEC能够智能地进行计算卸载决策以此赋能基于区块链系统的物联网架构也是本发明关注的重点内容。

为了实现优化上述基于区块链系统的物联网的可扩展性，本发明利用MEC技术赋能于此架构，同时通过动态调整区块生成大小以及区块生成间隔以提升整体交易吞吐量；相比于传统的基于区块链的物联网架构，MEC技术与区块链技术协同赋能的物联网架构更能满足新兴物联网高吞吐量、低时延的需求，服务于例如智能家居、车联网、智能电网等场景。然而，传统基于数学模型的优化方案求解复杂度较高且动态优化建模困难，不足以高效地处理物联网架构中复杂、高维且动态的数据特征，同时如何动态确定MEC系统的最佳计算卸载策略也更具挑战。

目前，强化学习(RL)已广泛应用于模式识别、自然语言处理、无线通信系统的设计及优化等领域。因为状态空间的爆炸式增长使得传统的基于表格的学习方案变得不可行，所以传统的RL算法无法随着终端数量的增加而很好地扩展，但是利用深度神经网络(DNN)能够有效地利用函数逼近RL的Q值并且满足高可扩展性。因此，本发明基于一种连续型动作空间的深度强化学习算法，称为深度确定性策略梯度(DDPG)算法，以此实现有效地控制区块链系统的区块生成策略以及MEC计算卸载策略，在满足数据可靠存储的同时提升交易吞吐量，进而实现基于区块链系统的物联网架构的可扩展性优化。与此同时，相比于传统集中式控制决策的系统架构，由MEC赋能的物联网架构使得边缘节点能够处理大量数据的同时满足实时需求，因此允许深度强化学习的模型能够分布式地在物联网节点上进行训练，从而达到个性化、本地化动态决策的效果，以此保证性能优化策略的时效性、准确性。

发明内容